-
公开(公告)号：CN107103296A
公开(公告)日：2017-08-29
申请号：CN201710262739.3
申请日：2017-04-20
申请人： 四川大学
CPC分类号： G06K9/6267 , G06K9/00348 , G06K9/6235 , G06K9/6257 , G06K2009/6236 , G06K2009/6237
摘要： 本发明涉及一种基于完全矫正Boosting和子空间学习算法的步态识别方法，其包括：将二维图像数据转换为一维向量数据；利用获得的一维向量建立包含N个样本的d维训练样本集X；构造特征索引集T,令M＝|T|表示集合T的基数，初始权重值um＝1/M；引入软间隔线性规划表达式将求解目的权重向量a的问题转换为形如LPBoost算法的线性规划表达式及其拉格朗日对偶的求解问题；基于集合T以及对应的权重值[um]构造固有图及惩罚图；构造对应图的相似矩阵S及SP，对角矩阵D，DP，及拉普拉斯矩阵L，LP；将Φt表示为一个N维矩阵Ψt的运算表达式；求解Ψl条件下对应的最佳投影矩阵Vl；根据拉格朗日对偶问题的求解更新权重值um的值；进行L轮训练；利用L轮训练后的结果计算得到目的权重向量a＝[a1,...,aL]T；利用最佳投影矩阵经过L轮训练获得投影矩阵集
-
公开(公告)号：CN107507195B
公开(公告)日：2019-11-15
申请号：CN201710689608.3
申请日：2017-08-14
申请人： 四川大学
摘要： 本发明涉及一种基于超图模型的PET‑CT多模态鼻咽癌图像分割方法，包括：提取鼻咽部肿瘤图像中像素点的灰度信息和位置信息来构建数据集，根据数据集构建稀疏表示模型并求解得到重建系数矩阵并构建超边，利用高斯核模型计算数据样本相似度作为超边权重值，求解超边阶、顶点阶以构造超图拉普拉斯矩阵；然后对鼻咽部肿瘤图像进行标记同时获得标记向量，根据标记向量构建半监督学习模型，再通过求解最小二乘问题获得最优切向量，最后将分类结果返回至像素级别，即完成对肿瘤图像的分割。本发明的分割方法相较于单模态的分割精度更高，同时基于稀疏表示与高斯核结合的超图模型比其他简单图模型或超图模型对鼻咽部肿瘤图像数据具有更高的分割精度。
-
公开(公告)号：CN107507195A
公开(公告)日：2017-12-22
申请号：CN201710689608.3
申请日：2017-08-14
申请人： 四川大学
摘要： 本发明涉及一种基于超图模型的PET-CT多模态鼻咽癌图像分割方法，包括：提取鼻咽部肿瘤图像中像素点的灰度信息和位置信息来构建数据集，根据数据集构建稀疏表示模型并求解得到重建系数矩阵并构建超边，利用高斯核模型计算数据样本相似度作为超边权重值，求解超边阶、顶点阶以构造超图拉普拉斯矩阵；然后对鼻咽部肿瘤图像进行标记同时获得标记向量，根据标记向量构建半监督学习模型，再通过求解最小二乘问题获得最优切向量，最后将分类结果返回至像素级别，即完成对肿瘤图像的分割。本发明的分割方法相较于单模态的分割精度更高，同时基于稀疏表示与高斯核结合的超图模型比其他简单图模型或超图模型对鼻咽部肿瘤图像数据具有更高的分割精度。
-
-
搜索结果
3 条记录 (耗时 0.03 秒)
